chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

那么，本期邀請(qǐng)了有著10年數(shù)據(jù)分析經(jīng)驗(yàn)，現(xiàn)任吉利汽車.數(shù)據(jù)分析經(jīng)理許申平老師，多年數(shù)據(jù)分析經(jīng)驗(yàn)，有這多個(gè)實(shí)戰(zhàn)項(xiàng)目經(jīng)歷，將為大家分享商業(yè)分析模型，打造業(yè)務(wù)分析勝任力??！

大家好，今天的分享主要從兩個(gè)方向展開，第一常用的分析模型有哪些；第二如何理解這些模型，并使用到實(shí)際業(yè)務(wù)中。很多同學(xué)都會(huì)有這個(gè)疑問：

·到底數(shù)據(jù)分析要懂多少模型

·工作中真的要用到那么多模型？

·我干的到底算不算模型？

來(lái)帶著這3個(gè)問題，來(lái)聽這次分享。

1、“模型”全盤梳理

根據(jù)一共大佬梳理的模型，主要是4個(gè)方面，基于理論的、基于指標(biāo)計(jì)算的、基于運(yùn)籌學(xué)數(shù)學(xué)方法的、基于機(jī)器學(xué)習(xí)的，這里舉例了一些常用模型，或多或少大家都有聽過。比如16期黃佳老師分享的AARRR海盜模型。如圖：

2、常用的分析模型

其實(shí)這些模型也用很多使用場(chǎng)景，比如從事咨詢、戰(zhàn)略工作的，經(jīng)常用到Swot 分析，而今天我們主要從下面三模從選擇常用的分析模型進(jìn)行分享。如圖：

那我們就來(lái)看看今天給大家?guī)?lái)的6個(gè)常用分析模型：漏斗模型、層次分析模型、Osm模型、RFM模型、聚類分析、判別分析。

1、漏斗模型

1898 年，美國(guó)有一個(gè)叫 Elmo Lewis 的人，提出了漏斗模型的概念，后來(lái)被總結(jié)為 AIDA 模型，也稱為「愛達(dá)」公式，首字母分別代表：

（1）注意 Attention

（2）興趣 Interest

（3）欲望 Desire

（4）行動(dòng) Action

從吸引客戶的注意，到引起客戶的興趣，再到產(chǎn)生擁有的欲望，最后形成購(gòu)買的行動(dòng)，每個(gè)環(huán)節(jié)都會(huì)有客戶流失，越靠后的環(huán)節(jié)，客戶數(shù)量往往就越少，畫出來(lái)的圖形，就像一個(gè)漏斗，所以叫作“漏斗圖”。

漏斗模型，指多個(gè)自定義事件序列按照指定順序依次觸發(fā)的流程中的量化轉(zhuǎn)化模型。也就是從起點(diǎn)到終點(diǎn)有多個(gè)環(huán)節(jié)，每個(gè)環(huán)節(jié)都會(huì)產(chǎn)生用戶流失，依次遞減，每一步會(huì)有一個(gè)轉(zhuǎn)化率。

如下圖就是經(jīng)典的漏斗模型應(yīng)用案例，比如電商購(gòu)買漏斗，比如上期的AARRR模型，等等，基于不同應(yīng)用場(chǎng)景的漏斗應(yīng)用。

· 傳統(tǒng)的銷售漏斗難以應(yīng)對(duì)新變化

但實(shí)際上隨著業(yè)務(wù)的變化，傳統(tǒng)的銷售漏斗也很難應(yīng)對(duì)。比如車企銷售管理中經(jīng)常使用銷售漏斗模型（面對(duì)消費(fèi)者鏈路加速分化的趨勢(shì)，漏斗管理的局限性也日益顯現(xiàn)）。所以，車企需要從用戶角度出發(fā)，圍繞銷售鏈路升級(jí)管理體系，構(gòu)建全新的鏈路管理體系。

歸納總結(jié)出消費(fèi)者購(gòu)車旅程的“5R”模型，包含觸達(dá)、種草、探索、交易、推薦五大環(huán)節(jié)，結(jié)合傳統(tǒng)基礎(chǔ)指標(biāo)，新增了運(yùn)營(yíng)指標(biāo)，更全面的監(jiān)控各鏈路的數(shù)據(jù)運(yùn)營(yíng)情況。

集合5R模型與現(xiàn)在各鏈路的情況，可以看到購(gòu)車鏈路全景圖，這是一共升級(jí)版的漏斗模型。

沉淀形成全新的消費(fèi)者購(gòu)車鏈路聚類方法論：

第一步，基于大規(guī)模調(diào)研和專項(xiàng)用戶訪談形成的品牌用戶購(gòu)車行為的結(jié)構(gòu)化數(shù)據(jù)；

第二步，通過全鏈數(shù)據(jù)差異化分析，梳理和總結(jié)目標(biāo)消費(fèi)者購(gòu)車鏈路的重要分化；

第三步，對(duì)具有不同特征和一定人群覆蓋的消費(fèi)者購(gòu)車鏈路進(jìn)行歸納與聚類。

此前BCG總結(jié)了當(dāng)前市場(chǎng)最典型的五大消費(fèi)者購(gòu)車鏈路，大家可以對(duì)照看下自己屬于哪類人群，以及的關(guān)鍵特征是不是相似的，通過人群的劃分，有利于更精準(zhǔn)實(shí)施用戶廣告投放、用戶運(yùn)營(yíng)等策略。

2、層次分析

層次分析模型可能工作中大家用的比較少，其實(shí)有學(xué)過數(shù)學(xué)建模的同學(xué)應(yīng)該知道層次分析模型還是非常有用的。

層次分析，又名專家判別法，簡(jiǎn)稱AHP，這是為了解決某一問題，而該問題會(huì)受到多種因素的影響，通過系統(tǒng)性的給各因素賦予權(quán)重值，最后通過量化的方式?jīng)Q策出合理的方案。一般我們分三層：目標(biāo)層、準(zhǔn)則層、方案層，其中準(zhǔn)則層可能有多層。

·AHP層次分析法—旅游景點(diǎn)選擇

我們來(lái)看一個(gè)例子，度蜜月，現(xiàn)在要選擇一個(gè)最合適的旅游景點(diǎn)，我們根據(jù)影響因素，可選的方案，以及自身對(duì)這些影響因素的打分，得到判別矩陣。

大家可以結(jié)合右表中對(duì)數(shù)據(jù)重要程度的定義，得到左圖的判別矩陣。

再根據(jù)各影響因素，對(duì)不同方案的判別矩陣。

最后我們計(jì)算一致性比例，如果不能通過一次性檢驗(yàn)，就需要去修正前面的判別矩陣。如果通過了一次性檢驗(yàn)，我們就可以計(jì)算出各準(zhǔn)確層的權(quán)重，從而計(jì)算不同方案的得分。

3、OSM模型

顧名思義，O是Objective，目標(biāo)的縮寫；S是Strategy，策略的縮寫

；M是Measurement，度量的縮寫；

Osm是一套業(yè)務(wù)分析框架，非算法模型；適用于：目標(biāo)已經(jīng)清晰，行動(dòng)方向已經(jīng)明確的情況。把宏大的目標(biāo)拆解，對(duì)應(yīng)到部門內(nèi)各個(gè)小組具體的、可落地、可度量的行為上，從保證執(zhí)行計(jì)劃沒有偏離大方向。

·OSM模型-案例

我們來(lái)看一個(gè)生鮮電商App的案例，老板給運(yùn)營(yíng)部門一個(gè)目標(biāo)：提升沉睡用戶付費(fèi)激活率，至少提高一倍吧。

所以，我們第一步是要先把語(yǔ)文變成數(shù)學(xué)，定義O，其中數(shù)據(jù)統(tǒng)計(jì)口徑要和業(yè)務(wù)方確認(rèn)清楚。

做數(shù)據(jù)計(jì)劃，第一步就是把語(yǔ)文變?yōu)閿?shù)據(jù)，用準(zhǔn)確的描述替代朦朧的文字，不然沒法監(jiān)控也沒法落地。注意：數(shù)據(jù)統(tǒng)計(jì)口徑要和業(yè)務(wù)方確認(rèn)清楚。

第二步是找到可以改善目標(biāo)的 策略S，大家可以看到用戶登錄到付款轉(zhuǎn)化流程圖 ，實(shí)際上是一個(gè)漏斗模型，那 對(duì)應(yīng)的策略分別有。。。其中我們 把直接作用于用戶 的叫一級(jí)策略 ，離用戶遠(yuǎn)的是二級(jí)策略。

OSM模型有正向和反向使用兩種用法：

1）正向使用：在項(xiàng)目開始前，分解大目標(biāo)，明確行動(dòng)和每個(gè)行動(dòng)考核指標(biāo)；即上述案例的工作流程。

2）反向使用：項(xiàng)目前期沒有做啥籌備，事后復(fù)盤發(fā)現(xiàn)一堆問題；這時(shí)候想要檢討為啥做爛了，也能按這個(gè)思路，把項(xiàng)目中做的事一一梳理出來(lái)，看這些事能影響什么子指標(biāo)，實(shí)際影響到了沒有，這些子指標(biāo)和大目標(biāo)之間有啥聯(lián)系。

在數(shù)據(jù)驅(qū)動(dòng)氛圍不好的企業(yè)里，反向使用的用處更大！因?yàn)楹芏嗥髽I(yè)就是干事拍腦袋，出事拍大腿。

·OSM模型在共享充電業(yè)務(wù)中的應(yīng)用

在小電期間，我們就為了提升各城市毛利，用Osm模型進(jìn)行目標(biāo)拆解、策略梳理、指標(biāo)監(jiān)控，最后根據(jù)不同城市進(jìn)行策略實(shí)施，為運(yùn)營(yíng)部門精細(xì)化管理提供了數(shù)據(jù)賦能。

OSM模型：把宏大的目標(biāo)拆解，對(duì)應(yīng)到部門內(nèi)各個(gè)小組具體的、可落地、可度量的行為上，從保證執(zhí)行計(jì)劃沒有偏離大方向

4、RFM模型

R就是最近一次消費(fèi)時(shí)間 (Recency)，取數(shù)的時(shí)候一般取最近一次消費(fèi)記錄到當(dāng)前時(shí)間的間隔，比如7天、30天、90天未到店消費(fèi)。

F是一定時(shí)間內(nèi)消費(fèi)頻率 (Frequency)，取數(shù)時(shí)，一般是取一個(gè)時(shí)間段內(nèi)用戶消費(fèi)頻率。

M是一定時(shí)間內(nèi)累計(jì)消費(fèi)金額(Monetary) ，取數(shù)時(shí)，一般是取一個(gè)時(shí)間段內(nèi)用戶消費(fèi)金額。

RFM本質(zhì)上是一種用三個(gè)分類維度，找判斷標(biāo)準(zhǔn)方法。通過三個(gè)維度的組合計(jì)算，能判定出用戶的好壞，然后采取對(duì)應(yīng)措施。衡量 客戶價(jià)值 和 客戶創(chuàng)利能力 的重要工具和手段。在眾多的客戶關(guān)系管理（CRM）的分析模式中，RFM模型是被廣泛提到的。該模型通過一個(gè)客戶的近期購(gòu)買行為（Recency）、購(gòu)買的總體頻率（Frequency）以及花了多少錢（Monetary ）三項(xiàng)指標(biāo)來(lái)描述該客戶的價(jià)值狀況。

根據(jù)RFM模型的組合，可以得到9種用戶分類，然后根據(jù)用戶劃分可以差異化的進(jìn)行用戶運(yùn)營(yíng)管理，比如重要挽留客戶

·RFM模型短板

RFM最大的短板，在于用戶ID統(tǒng)一認(rèn)證。比如去超市、連鎖店、門店買東西，往往收銀會(huì)機(jī)械的問一句：有會(huì)員卡嗎？如果回答沒有，也放你過去了。導(dǎo)致的結(jié)果，是線下門店的訂單，一般有70%-90%無(wú)法關(guān)聯(lián)到用戶ID，進(jìn)而導(dǎo)致整個(gè)用戶數(shù)據(jù)是嚴(yán)重缺失的，直接套R(shí)FM很容易誤判用戶行為。

至于用戶一人多張會(huì)員卡輪流薅羊毛，多個(gè)用戶共同一張VIP卡拿最大折扣，店員自己用親戚的卡把無(wú)ID訂單的羊毛給薅了之類的事，更是層出不窮，而且在實(shí)體企業(yè)、互聯(lián)網(wǎng)企業(yè)都普遍存在。所以做RFM模型的時(shí)候，如果你真看到111類用戶，別高興太早，十有八九是有問題的?，F(xiàn)在的企業(yè)往往在天貓、京東、自有微商城、有贊等幾個(gè)平臺(tái)同時(shí)運(yùn)作，更加大了統(tǒng)一認(rèn)證的難度。如果沒有規(guī)劃好，很容易陷入無(wú)窮無(wú)盡的補(bǔ)貼大坑。

·關(guān)于RFM模型的應(yīng)用思考

單純講RFM，不結(jié)合產(chǎn)品、活動(dòng)，是很容易出BUG的。

R：用戶離得越久就越有流失風(fēng)險(xiǎn)

如果是服裝這種季節(jié)性消費(fèi)，用戶間隔2-3個(gè)月是很正常

如果是手機(jī)、平板這種新品驅(qū)動(dòng)產(chǎn)品，間隔時(shí)間基本跟著產(chǎn)品更新周期走

如果是家居、住房、汽車這種大件耐用品，R就沒啥意義，用戶一輩子就買2次

如果是預(yù)付費(fèi)，后刷卡的模式，R就不存在了，需要用核銷數(shù)據(jù)代替

所以，R不見得就代表著用戶有流失風(fēng)險(xiǎn)，特別是現(xiàn)在有了埋點(diǎn)數(shù)據(jù)以后，用戶互動(dòng)行為更能說明問題。

F：用戶頻次越高越忠誠(chéng)

如果用戶消費(fèi)是事件驅(qū)動(dòng)的，比如賽事、節(jié)假日、生日、周末……

如果用戶消費(fèi)是活動(dòng)驅(qū)動(dòng)的，比如啥時(shí)候有優(yōu)惠啥時(shí)候買……

如果用戶消費(fèi)是固定模式的，比如買藥的用量就是30天……

以上情況都會(huì)導(dǎo)致F的數(shù)值不固定，可能是隨機(jī)產(chǎn)生的，也可能是人為操縱的。很多企業(yè)僵硬地執(zhí)行RFM模型，往往會(huì)定一個(gè)固定的F值，比如促使用戶買4次，因?yàn)閿?shù)據(jù)上看買了4次以上的用戶就很忠誠(chéng)。結(jié)果就是引發(fā)用戶人為拆單，最后F值做上去了，利潤(rùn)掉下來(lái)了。

M: 用戶買的越多越有價(jià)值

如果用戶是圖便宜，趁有折扣的時(shí)候囤貨呢？

如果用戶買了一堆，已經(jīng)吃膩了、用夠了呢？

如果用戶買的是耐用品，買完這一單就等十幾二十年呢？

如果用戶消費(fèi)本身有生命周期，比如母嬰，游戲，已經(jīng)到了生命周期末尾呢？

很多情況下，用戶過去買的多，不代表未來(lái)買的多。這兩者不劃等號(hào)。因此真看到011、001、101的客人，別急著派券，整明白到底出了啥問題才是關(guān)鍵。

綜合RFM失效的場(chǎng)景，可以看出：季節(jié)性、商品特征、促銷活動(dòng)、節(jié)假日事件、用戶生命周期，這五大要素，都會(huì)影響到用戶的行為。因此不局限于RFM，深入研究用戶場(chǎng)景非常關(guān)鍵。

5、聚類分析

人們常說：“物以類聚, 人以群分” ，其實(shí)聚類分析就是用一種科學(xué)的方法進(jìn)行非監(jiān)督性的分類?；驹硎钦J(rèn)為研究的樣本或變量之間存在著程度不同的相似程度（親疏關(guān)系）。

基本原理是認(rèn)為研究的樣本或變量之間存在著程度不同的相似程度（親疏關(guān)系）。

根據(jù)一批樣本的多個(gè)觀測(cè)指標(biāo)，找出能夠度量樣本或變量之間相似程度的統(tǒng)計(jì)量，把相似程度較大的樣本（或指標(biāo)）聚合為一類，把另外一些相似程度較大的樣本（或指標(biāo)）聚合為一類，直到把所有的樣本（或指標(biāo)）都聚合完畢，形成一個(gè)由小到大的分類系統(tǒng)。

聚類分析主要有四步：

·某銀行金融產(chǎn)品用戶聚類分析

很多做金融的同學(xué)應(yīng)該知道，信貸部會(huì)對(duì)我們的用戶做畫像，從而對(duì)用戶貸款額度進(jìn)行管理。

這里我們根據(jù)前面的指標(biāo)把用戶分成了5類：

如圖：

然后我們針對(duì)不同客戶群體，進(jìn)行理財(cái)產(chǎn)品推薦，運(yùn)營(yíng)管理等

6、判別分析

和前面非監(jiān)督性學(xué)習(xí)的聚類相對(duì)的是監(jiān)督性學(xué)習(xí)，這里介紹的是判別分析。判別分析，本質(zhì)上是按照一定的判別準(zhǔn)則，建立一個(gè)或多個(gè)判別函數(shù)，用研究對(duì)象的大量資料確定判別函數(shù)中的待定系數(shù)，并計(jì)算判別指標(biāo)。據(jù)此即可確定某一樣本屬于何類。

判別分析又稱“分辨法”，是在分類確定的條件下，根據(jù)某一研究對(duì)象的各種特征值判別其類型歸屬問題的一種多變量統(tǒng)計(jì)分析方法。基本原理是按照一定的判別準(zhǔn)則，建立一個(gè)或多個(gè)判別函數(shù)，用研究對(duì)象的大量資料確定判別函數(shù)中的待定系數(shù)，并計(jì)算判別指標(biāo)。據(jù)此即可確定某一樣本屬于何類。

解決問題：已知某種事物有幾種類型，現(xiàn)在從各種類型中各取一個(gè)樣本，由這些樣本設(shè)計(jì)出一套標(biāo)準(zhǔn)，使得從這種事物中任取一個(gè)樣本，可以按這套標(biāo)準(zhǔn)判別它的類型。

判別方法：最大似然法、距離判別、Fisher判別、Bayes判別（Bayes判別比Fisher判別更加完善和先進(jìn)，它不僅能解決多類判別分析，而且分析時(shí)考慮了數(shù)據(jù)的分布狀態(tài)，所以一般較多使用；）

與聚類分析區(qū)別

1）聚類分析可以對(duì)樣本逬行分類，也可以對(duì)指標(biāo)進(jìn)行分類；而判別分析只能對(duì)樣本。

2）聚類分析事先不知道事物的類別，也不知道分幾類；而判別分析必須事先知道事物的類別，也知道分幾類。

3）聚類分析不需要分類的歷史資料，而直接對(duì)樣本進(jìn)行分類；而判別分析需要分類歷史資料去建立判別函數(shù)，然后才能對(duì)樣本進(jìn)行分類。

· bayes判別分析

貝葉斯公式：

P(A|B)=P(B|A)∗P(A)/P(B)=P(A∩B)/P(B)

其中P(A)表示事件A發(fā)生的概率，稱為先驗(yàn)概率，P(A|B)表示在事件B已經(jīng)發(fā)生的條件下，事件A發(fā)生的概率，稱為后驗(yàn)概率。

貝葉斯規(guī)則盡管它是一個(gè)數(shù)學(xué)公式，但其原理無(wú)需數(shù)字也可明了。如你看到一個(gè)人總是做一些好事，則那個(gè)人多半會(huì)是一個(gè)好人。這就是說，當(dāng)你不能準(zhǔn)確知悉一個(gè)事物的本質(zhì)時(shí)，你可以依靠與事物特定本質(zhì)相關(guān)的事件出現(xiàn)的多少去判斷其本質(zhì)屬性的概率。用數(shù)學(xué)語(yǔ)言表達(dá)就是：支持某項(xiàng)屬性的事件發(fā)生得越多，則該屬性成立的可能性就越大。

·bayes判別分析—二手車評(píng)估

我曾經(jīng)做過 一個(gè)二手車評(píng)估項(xiàng)目，就是基于Bayes判別分析做的，二手車平臺(tái)有專業(yè)的鑒定師，他們根據(jù)經(jīng)驗(yàn)對(duì)15個(gè)指標(biāo) 進(jìn)行分析，得出對(duì)應(yīng)的等級(jí)，然后因?yàn)槿宋镨b定工作量大、且受個(gè)人經(jīng)驗(yàn)影響較大，無(wú)法規(guī)?；?。通過判別分析的方法可以把鑒定師歷史的判定結(jié)果進(jìn)行訓(xùn)練，然后進(jìn)行機(jī)器學(xué)習(xí)，得到需要評(píng)估車輛的等級(jí)。